摘要：
线性回归、多层感知机（MLP）与CNN的区别与联系：通俗解析（MindSpore视角） 上一篇教程我们用线性回归入门了深度学习，现在聚焦三个核心模型——线性回归、多层感知机（MLP）、卷积神经网络（CNN），用“人话+实例”讲清它们的关系：本质都是“从数据找规律的函数”，区别在于处理数据的能力、结构 阅读全文
posted @ 2025-12-06 00:05
wangya216
阅读(344)
评论(0)
推荐(0)
摘要：
1 强化学习入门教程：像教小孩走路一样搞懂AI 不用记公式、不用懂代码，咱们用教小孩学走路这个事儿，把强化学习讲得明明白白。 一、强化学习的本质：试错中找甜头 先想一个场景：你家刚会爬的小宝宝，想自己站起来走路。 宝宝（咱们叫它 智能体）一开始啥也不会，只能瞎晃、摔跤； 它站了1秒没倒，你拍手夸它、 阅读全文
posted @ 2025-12-04 17:25
wangya216
阅读(244)
评论(0)
推荐(0)
摘要：
告别Jupyter包安装烦恼：!pip、%pip、!python -m pip 用法全解析 在使用Jupyter Notebook/Lab进行数据分析、机器学习开发时，安装第三方库是基础操作，但很多人都会遇到「明明装了库却导入失败」「包装到全局环境而非当前内核」的问题。核心原因在于没选对pip的调用 阅读全文
posted @ 2025-12-04 16:59
wangya216
阅读(249)
评论(0)
推荐(0)
摘要：
Sklearn 入门教程：从思维到落地的完整指南 引言 Sklearn（Scikit-learn）堪称Python机器学习领域的“瑞士军刀”——不仅API设计简洁统一、工具链覆盖全场景，更核心的是其蕴含的机器学习通用思维，能无缝迁移到TensorFlow、PyTorch等框架，适配分类、回归、聚类等 阅读全文
posted @ 2025-12-04 13:38
wangya216
阅读(72)
评论(0)
推荐(0)
摘要：
视图是什么？ 在 NumPy 中，“视图（view）” 是一个非常核心且高效的概念。理解它，能帮你写出更快、更省内存的代码。 🌟 一句话定义： 视图是原数组的一个“窗口”或“别名”，它不复制数据，而是共享同一块内存。 修改视图，会直接影响原数组；反之亦然。 🔍 举个例子 import numpy 阅读全文
posted @ 2025-12-03 11:06
wangya216
阅读(60)
评论(0)
推荐(0)
摘要：
In [4]: # 导入所有需要的库 import numpy as np import matplotlib.pyplot as plt from sklearn.datasets import load_diabetes from sklearn.ensemble import RandomFo 阅读全文
posted @ 2025-12-02 20:24
wangya216
阅读(56)
评论(0)
推荐(0)
摘要：
聚类（Clustering） from sklearn.cluster import KMeans 🔤 逐词翻译： sklearn：scikit-learn，Python 最流行的机器学习库 cluster（聚类）：一种无监督学习任务，目标是把相似的数据点“分组” KMeans（K均值）：最经典、 阅读全文
posted @ 2025-12-01 09:58
wangya216
阅读(175)
评论(0)
推荐(0)
摘要：
代码清单9-1 导入scikit-learn工具包¶ In [2]: import sklearn #导入sklearn工具包 from sklearn import ensemble #从sklearn工具包中导入ensemble模块 from sklearn.ensemble import Gr 阅读全文
posted @ 2025-11-30 10:05
wangya216
阅读(29)
评论(0)
推荐(0)
摘要：
深度解析 Polynomial（多项式）：从数学本质到机器学习应用的全方位指南 在数学与机器学习的交叉领域，“多项式（Polynomial）”是一个贯穿基础与应用的核心概念——它既是描述非线性关系的数学工具，也是连接线性模型与复杂数据的桥梁。本文将从“名字由来”“数学定义”“生活实例”“机器学习应用 阅读全文
posted @ 2025-11-29 14:42
wangya216
阅读(318)
评论(0)
推荐(0)
摘要：
把“弯”的变成“直”的—— 为什么大家老爱把非线性问题塞进线性模型？（精修版） 一、先讲个生活段子 你去买菜，老板告诉你： “萝卜 2 块钱一斤，买 3 斤以上打 8 折，5 斤以上打 6 折。” 价格跟重量不是一条直线，是“折线”——典型的非线性。 可你回家记账，只愿意写一行： “今天买萝卜花了 阅读全文
posted @ 2025-11-29 11:10
wangya216
阅读(44)
评论(0)
推荐(0)
摘要：
为什么说 y = a₁x₁ + a₂x₂ + b 是线性的？ 0. 开场白 很多人第一次看到这个方程都会点头：“嗯，线性！” 可一旦追问“为什么”，答案往往只剩一句：“因为图像是一条直线……呃不，一张平面？” 故事还没完。今天咱们把“直线”→“平面”→“数学定义”→“工程习惯”一次说完，带你从直觉到 阅读全文
posted @ 2025-11-29 10:51
wangya216
阅读(30)
评论(0)
推荐(0)
摘要：
I 彻底解决Z轴标签截断问题（强制预留标签空间） 用“釜底抽薪”的思路——直接给Z轴标签单独预留独立空间，不用再微调边距和位置，无论你的画布尺寸、Matplotlib版本如何，都能100%完整显示，以下是必生效的代码： 最终最终完整代码（标签无任何截断） import matplotlib.pypl 阅读全文
posted @ 2025-11-29 10:05
wangya216
阅读(76)
评论(0)
推荐(0)
摘要：
Matplotlib 3D图入门教程 Matplotlib 绘制 3D 图的核心是 mpl_toolkits.mplot3d 工具包，它在 2D 绘图基础上增加了“z轴”维度，原理和 2D 绘图一致——都是通过 Figure（画布）和 Axes（绘图区域）控制，只是 3D 图的 Axes 是专门的 阅读全文
posted @ 2025-11-29 09:14
wangya216
阅读(228)
评论(0)
推荐(0)
摘要：
一、函数基础：train_test_split 是什么？ train_test_split 是 sklearn 提供的数据集划分工具，核心功能是： 随机打乱原始数据（避免数据有序性导致的偏差）； 按指定比例拆分数据为「两部分」（默认是训练集和测试集）； 保证拆分后，x 和 y 的对应关系不混乱（即某 阅读全文
posted @ 2025-11-28 21:56
wangya216
阅读(175)
评论(0)
推荐(0)
摘要：
一、完整语法与参数解释 np.random.normal(loc=0, scale=1, size=None) 是 NumPy 中生成「正态分布（高斯分布）」随机数的核心函数，参数含义如下： 参数名 默认值 作用说明 对应代码中的含义 loc 0 正态分布的「均值（μ）」，决定分布的中心位置 噪声的 阅读全文
posted @ 2025-11-28 21:41
wangya216
阅读(199)
评论(0)
推荐(0)
摘要：
在编程（尤其是数据科学、机器学习）中，随机种子（Random Seed）是一个用于初始化随机数生成器的“起始值”，核心作用是让「随机过程可复现」——简单说，用相同的随机种子，每次运行代码得到的随机结果（如随机划分数据、生成随机噪声、模型初始化权重）完全一致；不设置种子则每次结果都不同。 一、先看直观 阅读全文
posted @ 2025-11-28 21:31
wangya216
阅读(837)
评论(0)
推荐(0)
摘要：
多项式次数选择完整演示（Python） 本文将通过 人工生成数据→数据划分→多次数模型训练→验证集筛选最优次数→测试集评估 的全流程，演示多项式回归中如何通过验证集选择最优次数，所有代码逐行解释，兼顾理论与实践。 核心逻辑 多项式回归的核心是通过增加高次项（如 (x^2, x^3)）拟合复杂数据，但 阅读全文
posted @ 2025-11-28 21:25
wangya216
阅读(38)
评论(0)
推荐(0)
摘要：
需要预先指定多项式的次数，且这个次数属于「超参数」，需通过验证集优化选择，核心逻辑和实操步骤如下： 一、关键结论 多项式回归中，“一次（线性）、二次、三次”本质是模型的结构超参数（决定模型复杂度），不能由数据自动学习，必须先指定候选次数（如1、2、3、4次），再通过训练+验证的流程筛选最优解。 二、 阅读全文
posted @ 2025-11-28 20:25
wangya216
阅读(41)
评论(0)
推荐(0)
摘要：
除了 %matplotlib inline：Matplotlib 相关魔法命令全解析（结构化指南） 一、核心渲染模式配置（替换/扩展 inline） 这类命令用于指定 Matplotlib 在 Jupyter 环境中的图表渲染方式，是 %matplotlib inline 的直接替代或进阶版本，核心 阅读全文
posted @ 2025-11-27 12:45
wangya216
阅读(98)
评论(0)
推荐(0)
摘要：
模糊匹配在不同场景下有不同的常用库，以下是主流选择及适用场景： 1. 字符串模糊匹配 FuzzyWuzzy（Python） 基于编辑距离（Levenshtein距离），支持字符串相似度计算、匹配和搜索 适合：字符串纠错、重复检测、部分匹配场景 示例：from fuzzywuzzy import fu 阅读全文
posted @ 2025-11-26 10:56
wangya216
阅读(61)
评论(0)
推荐(0)
摘要：
是的，正则表达式 支持模糊匹配，但需注意：标准正则（如 Python 内置 re 模块）的模糊匹配能力有限，而扩展库（如 Python regex 模块）提供了更完善的模糊匹配功能。以下是具体说明： 一、标准正则的“模糊匹配”（有限支持） 标准正则本身没有专门的“模糊匹配”语法，但可通过以下方式间接 阅读全文
posted @ 2025-11-26 10:53
wangya216
阅读(56)
评论(0)
推荐(0)
摘要：
Python中的模式匹配与模糊匹配：从精确到容错的智能识别 在日常编程中，我们常常需要判断一段文本是否符合某种“格式”或“规则”，或者在一堆数据中找出“看起来差不多”的内容。这两种需求分别对应着模式匹配（Pattern Matching）和模糊匹配（Fuzzy Matching）。它们看似相似，实则 阅读全文
posted @ 2025-11-26 10:35
wangya216
阅读(160)
评论(0)
推荐(0)
摘要：
这个词其实非常形象，英文是 Broadcasting。下面我为你详细解释一下为什么用“广播”这个词。 英文原词：Broadcasting 中文直译： 广播、播放、撒播。 核心含义： 从一个中心点向周围广阔的区域广泛地发送信号、信息或内容。比如： 电视/无线电广播： 电视台向所有观众发送节目信号。 种 阅读全文
posted @ 2025-11-26 10:26
wangya216
阅读(23)
评论(0)
推荐(0)
摘要：
非常好的问题！np.array([10, 20]).reshape(-1, 1) 是 NumPy 中将一维数组转为列向量的常用写法。 下面我将从 基本用法、-1 的含义、与 [:, None] 的对比、常见场景 四个方面，彻底讲清楚 reshape 怎么用，尤其是这种带 -1 的写法。 一、resh 阅读全文
posted @ 2025-11-25 19:42
wangya216
阅读(173)
评论(0)
推荐(0)
摘要：
NumPy 广播机制深度解析：从报错到精通，搞定维度对齐的核心逻辑 在使用 NumPy 处理数组运算时，你是否常被这些问题困扰： 为什么同样是 A + B，有时能算出结果，有时却报 ValueError？ 为什么加个 [:, np.newaxis]，原本失败的运算突然就成功了？ 广播的“自动扩展”到 阅读全文
posted @ 2025-11-25 19:20
wangya216
阅读(113)
评论(0)
推荐(0)
浙公网安备 33010602011771号